.png){kind=icon}
返回
Federated Bayesian optimization on random Fourier additive margin features and random kernel mapping
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112925.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯优化（BO）是AutoML中超参数调优的一种先进技术，尤其适用于优化黑箱函数。本研究主要提出了适用于高斯过程的RAF核，并介绍了两种新型算法：联邦贝叶斯加性边际汤普森采样算法（FAT）和联邦贝叶斯随机核汤普森采样算法（FAKT），后者结合了RAF与随机傅里叶特征（RFF）。为增强隐私性，我们进一步通过集成差分隐私开发了DP-FAT和DP-FAKT，该方法能够在降低通信成本的同时保护客户端数据。实验表明，FAT和FAKT比现有方法（如FTS）快10个通信轮次收敛，显著提升了联邦黑箱优化的效率。这些进展表明，在增强隐私性和降低开销方面，其对大规模学习任务具有巨大潜力。
Keyword:
Federated learning
Bayesian optimization
Random kernel mapping
Data heterogeneity
Differentially private
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
暂无机构信息
引用论文
Next Generation Financial Services: Role of Blockchain enabled Federated Learning and Metaverse下一代金融服务：区块链赋能的联邦学习与元宇宙的作用
PREAI
分享收藏分享收藏D2PAM: Epileptic seizures prediction using adversarial deep dual patch attention mechanismD2PAM: 基于对抗性深度双斑块注意机制的癫痫发作预测
OAAI
OAAI分享收藏Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Federated learning‐based privacy‐preserving electricity load forecasting scheme in edge computing scenario基于联邦学习的边缘计算场景下隐私保护电力负荷预测方案
PREAI
分享收藏FedSA: A Semi-Asynchronous Federated Learning Mechanism in Heterogeneous Edge ComputingFedSA: 异构边缘计算中的半异步联邦学习机制
OAAI
OAAI分享收藏
查看更多内容